基于功能磁共振数据的时空深度学习在孤立性REM睡眠行为障碍与帕金森病早期检测中的应用

《npj Parkinson's Disease》：Spatiotemporal deep learning for early detection of isolated REM sleep behavior disorder and Parkinson’s disease using functional MRI data

　　

摘要

本研究旨在利用静息态fMRI数据构建并评估一种时空深度神经网络模型，用以识别与孤立性REM睡眠行为障碍和帕金森病相关的脑生物标志物，并区分这些疾病与正常对照组。最终研究样本包括771名受试者，其中423名为帕金森病患者，144名为孤立性REM睡眠行为障碍患者，204名为健康对照组。该深度神经网络模型被应用于从静息态fMRI数据中提取的各受试者的时间序列数据。通过整合时空特征，该网络能够根据不同的神经模式对受试者进行分类。研究采用逐例k折交叉验证方法来评估模型的泛化能力，并运用可解释人工智能技术进行分析。结果显示，该模型在区分正常对照组与帕金森病患者时的准确率为71.0%，在中期帕金森病病例中的准确率可达71.9%；而在区分健康对照组与孤立性REM睡眠行为障碍患者时，其准确率超过80%。可解释人工智能分析表明，在区分正常对照组与帕金森病患者时，额顶叶和颞叶区域，尤其是背外侧前额叶皮层和前颞回起着重要作用；而在区分两者与孤立性REM睡眠行为障碍患者时，双侧上额回、内侧额回、背外侧前额叶皮层以及顶叶和枕叶区域（舌回和楔形回）则是关键作用区域。这项研究展示了利用静息态fMRI数据，通过该深度神经网络模型区分孤立性REM睡眠行为障碍、帕金森病及正常对照组的潜力。